Link to this sectionUltralytics YOLOv5#

Link to this sectionОбзор#

YOLOv5u представляет собой шаг вперед в методологиях обнаружения объектов. Основываясь на архитектуре модели YOLOv5, разработанной Ultralytics, YOLOv5u интегрирует безанкорную голову (anchor-free) без оценки объектности (objectness-free) — функцию, ранее представленную в моделях YOLOv8. Эта адаптация совершенствует архитектуру модели, что приводит к улучшению соотношения точности и скорости в задачах обнаружения объектов. Учитывая эмпирические результаты и полученные функции, YOLOv5u предлагает эффективную альтернативу для тех, кто ищет надежные решения как в исследованиях, так и в практических приложениях.

Link to this sectionКлючевые особенности#

• Безанкорная разделенная голова Ultralytics: Традиционные модели обнаружения объектов полагаются на предопределенные anchor box для предсказания местоположения объектов. Однако YOLOv5u модернизирует этот подход. Используя безанкорную разделенную голову Ultralytics, она обеспечивает более гибкий и адаптивный механизм обнаружения, что повышает производительность в разнообразных сценариях.

• Оптимизированное соотношение точности и скорости: Скорость и точность часто противоречат друг другу. Но YOLOv5u бросает вызов этому компромиссу. Она предлагает выверенный баланс, обеспечивая обнаружение в реальном времени без ущерба для точности. Эта функция особенно ценна для приложений, требующих быстрого отклика, таких как автономные транспортные средства, робототехника и видеоаналитика в реальном времени.

• Разнообразие предобученных моделей: Понимая, что для разных задач нужны разные инструменты, YOLOv5u предоставляет множество предобученных моделей. Независимо от того, занимаешься ли ты инференсом, валидацией или обучением, тебя ждет специально подготовленная модель. Такое разнообразие гарантирует, что ты используешь не универсальное решение, а модель, точно настроенную под твою уникальную задачу.

Link to this sectionПоддерживаемые задачи и режимы#

Модели YOLOv5u с различными предобученными весами превосходно справляются с задачами обнаружения объектов. Они поддерживают широкий спектр режимов, что делает их подходящими для различных приложений, от разработки до внедрения.

В этой таблице представлен подробный обзор вариантов модели YOLOv5u, подчеркивающий их применимость в задачах обнаружения объектов и поддержку различных рабочих режимов, таких как Инференс, Валидация, Обучение и Экспорт. Такая комплексная поддержка гарантирует, что ты сможешь в полной мере использовать возможности моделей YOLOv5u в широком спектре сценариев обнаружения объектов.

Link to this sectionМетрики производительности#

Link to this sectionПримеры использования#

Этот пример содержит простые примеры обучения и инференса YOLOv5. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Link to this sectionЦитирование и благодарности#

Если ты используешь YOLOv5 или YOLOv5u в своих исследованиях, пожалуйста, ссылайся на репозиторий Ultralytics YOLOv5 следующим образом:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

Обрати внимание, что модели YOLOv5 предоставляются по лицензиям AGPL-3.0 и Enterprise.

Link to this sectionFAQ#

Link to this sectionЧто такое Ultralytics YOLOv5u и чем она отличается от YOLOv5?#

Ultralytics YOLOv5u — это продвинутая версия YOLOv5, интегрирующая безанкорную голову без оценки объектности, что улучшает соотношение точности и скорости для задач обнаружения объектов в реальном времени. В отличие от традиционной YOLOv5, YOLOv5u использует безанкорный механизм обнаружения, что делает её более гибкой и адаптивной в различных сценариях. Для получения более подробной информации о функциях перейди в Обзор YOLOv5.

Link to this sectionКак безанкорная голова Ultralytics улучшает производительность обнаружения объектов в YOLOv5u?#

Безанкорная голова Ultralytics в YOLOv5u улучшает производительность обнаружения объектов за счет устранения зависимости от предопределенных anchor box. Это приводит к созданию более гибкого и адаптивного механизма обнаружения, способного эффективно обрабатывать объекты различных размеров и форм. Это улучшение напрямую способствует сбалансированному соотношению точности и скорости, делая YOLOv5u подходящей для приложений реального времени. Узнай больше об архитектуре в разделе Основные характеристики.

Link to this sectionМогу ли я использовать предобученные модели YOLOv5u для разных задач и режимов?#

Да, ты можешь использовать предобученные модели YOLOv5u для различных задач, таких как Обнаружение объектов. Эти модели поддерживают несколько режимов, включая Инференс, Валидацию, Обучение и Экспорт. Такая гибкость позволяет пользователям использовать возможности моделей YOLOv5u в соответствии с различными требованиями к эксплуатации. Для получения подробного обзора ознакомься с разделом Поддерживаемые задачи и режимы.

Link to this sectionКак метрики производительности моделей YOLOv5u сравниваются на разных платформах?#

Метрики производительности моделей YOLOv5u варьируются в зависимости от используемой платформы и оборудования. Например, модель YOLOv5nu достигает 34.3 mAP на наборе данных COCO со скоростью 73.6 мс на CPU (ONNX) и 1.06 мс на A100 TensorRT. Подробные метрики производительности для различных моделей YOLOv5u можно найти в разделе Метрики производительности, где представлено комплексное сравнение для различных устройств.

Link to this sectionКак я могу обучить модель YOLOv5u с помощью Python API от Ultralytics?#

Ты можешь обучить модель YOLOv5u, загрузив предобученную модель и запустив команду обучения с твоим набором данных. Вот быстрый пример:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Для получения более подробных инструкций посети раздел Примеры использования.